論文の概要: Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy

• arxiv url: http://arxiv.org/abs/2012.14678v1
• Date: Tue, 29 Dec 2020 09:26:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 03:27:42.593160
• Title: Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy
• Title（参考訳）: 最適化に基づく多焦点画像融合におけるデフォーカス拡散効果の低減に向けて
• Authors: Shuang Xu and Lizhen Ji and Zhe Wang and Pengfei Li and Kai Sun and Chunxia Zhang and Jiangshe Zhang
• Abstract要約: マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。 本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。 実世界データセット上で行った実験は,提案モデルの優位性を検証した。
• 参考スコア（独自算出の注目度）: 22.29205225281694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-focus image fusion (MFF) is a popular technique to generate an all-in-focus image, where all objects in the scene are sharp. However, existing methods pay little attention to defocus spread effects of the real-world multi-focus images. Consequently, most of the methods perform badly in the areas near focus map boundaries. According to the idea that each local region in the fused image should be similar to the sharpest one among source images, this paper presents an optimization-based approach to reduce defocus spread effects. Firstly, a new MFF assessmentmetric is presented by combining the principle of structure similarity and detected focus maps. Then, MFF problem is cast into maximizing this metric. The optimization is solved by gradient ascent. Experiments conducted on the real-world dataset verify superiority of the proposed model. The codes are available at https://github.com/xsxjtu/MFF-SSIM.
• Abstract（参考訳）: マルチフォーカス画像融合(MFF)は、シーン内の全てのオブジェクトがシャープなオールインフォーカス画像を生成する一般的な技術である。 しかし,既存の手法は実世界のマルチフォーカス画像のデフォーカス拡散効果にはほとんど注意を払わない。 したがって、ほとんどの方法はフォーカスマップの境界付近でうまく動作しない。 融合画像内の各局所領域はソース画像中の最も鋭い領域に類似すべきであるという考えに基づき,デフォーカス拡散効果を低減するための最適化に基づく手法を提案する。 まず、構造類似性の原理と検出された焦点マップを組み合わせることで、新しいMFFアセスメントを示す。 そして、MFF問題は、この計量を最大化する。 最適化は勾配上昇によって解決される。 実世界のデータセットで行った実験は、提案モデルの優位性を検証する。 コードはhttps://github.com/xsxjtu/mff-ssimで入手できる。

関連論文リスト

• SAMF: Small-Area-Aware Multi-focus Image Fusion for Object Detection [6.776991635789825]
  既存のマルチフォーカス画像融合法(MFIF)は、不確実な遷移領域を保存できないことが多い。 そこで本研究では,オブジェクト検出能力を向上させるためのMFIFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T13:35:28Z)
• Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
  焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。 このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2023-11-29T17:49:33Z)
• A Novel Defocus-Blur Region Detection Approach Based on DCT Feature and PCNN Structure [4.086098684345016]
  本研究では、離散コサイン変換(DCT)係数とPCニューラルネット(PCNN)構造に基づく新しいハイブリッド検出手法を提案する。 視覚的および定量的評価は、提案手法が参照アルゴリズムの精度と効率において優れていたことを示している。
  論文  参考訳（メタデータ） (2023-10-12T10:58:10Z)
• Multi-Focus Image Fusion based on Gradient Transform [0.0]
  上記の問題に対して頑健な新しい勾配情報に基づく多焦点画像融合法を提案する。 提案手法は,視覚的,客観的に17種類の新しい手法と従来手法を比較した。 提案手法は視覚的評価により有望であり, 客観的評価により6つの指標のうち5つのうち83.3%が第一に達成されている。
  論文  参考訳（メタデータ） (2022-04-20T20:35:12Z)
• MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
  ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。 我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。 MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
  論文  参考訳（メタデータ） (2021-12-01T02:10:42Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• Deep Reparametrization of Multi-Frame Super-Resolution and Denoising [167.42453826365434]
  本稿では,多フレーム画像復元作業によく用いられる最大後部定式化の深部再パラメータ化を提案する。 提案手法は,学習された誤差メトリックと,対象画像の潜在表現を導入することによって導かれる。 我々は、バースト復調およびバースト超解像データセットに関する包括的な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2021-08-18T17:57:02Z)
• MFIF-GAN: A New Generative Adversarial Network for Multi-Focus Image Fusion [29.405149234582623]
  マルチフォーカス画像融合(MFIF)は、オールインフォーカス画像を得るための有望な技術である。 MFIFの研究動向の1つは、フォーカス/デフォーカス境界(FDB)周辺のデフォーカス拡散効果(DSE)を回避することである。 我々は,MFIF-GANと呼ばれるネットワークを用いて,前景領域が対応する対象よりも正確に大きいフォーカスマップを生成する。
  論文  参考訳（メタデータ） (2020-09-21T09:36:34Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• Real-MFF: A Large Realistic Multi-focus Image Dataset with Ground Truth [58.226535803985804]
  我々はReal-MFFと呼ばれる大規模で現実的なマルチフォーカスデータセットを導入する。 データセットは、710対のソースイメージと対応する接地真理画像を含む。 このデータセット上で10の典型的なマルチフォーカスアルゴリズムを図示のために評価する。
  論文  参考訳（メタデータ） (2020-03-28T12:33:46Z)
• MFFW: A new dataset for multi-focus image fusion [24.91107749755963]
  本稿では、MFFW in the wild(MFFW)と呼ばれる新しいデータセットを構築する。 インターネット上で収集された19対のマルチフォーカス画像を含んでいる。 実験により、MFFWデータセットの最先端手法のほとんどは、良好な融合画像を生成することができないことが示された。
  論文  参考訳（メタデータ） (2020-02-12T03:35:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。